Co to jest rotacja nieortogonalna (ukośna)?
Rotacja nieortogonalna, zwana też ukośną (ang. oblique rotation), to rotacja czynników w analizie czynnikowej, która nie wymaga, by osie pozostały prostopadłe. Czynniki po rotacji mogą więc być ze sobą skorelowane, a program szacuje te korelacje w macierzy korelacji czynników Φ (phi). Najczęściej stosowane metody to oblimin (w wersji bezpośredniej, direct oblimin) i promax.
W psychologii rotacja ukośna jest rozsądnym punktem wyjścia, bo konstrukty rzadko są niezależne: depresja koreluje z lękiem, wsparcie rodziny ze wsparciem przyjaciół, wymiary wypalenia między sobą. Przewodniki po EFA zaliczają wybór rotacji do kluczowych decyzji analizy, które w opublikowanych badaniach często podejmowano bez uzasadnienia (Fabrigar i in., 1999; Watkins, 2018). Jeśli czynniki rzeczywiście nie są skorelowane, rotacja ukośna to pokaże, a wynik będzie praktycznie taki sam jak po rotacji ortogonalnej.
Oblimin i promax – jak działają?
- Oblimin (bezpośredni) – Jennrich i Sampson (1966) zaproponowali, aby funkcję prostoty optymalizować bezpośrednio na ładunkach pierwotnych, czyli na macierzy wzoru. Parametr δ (delta, w niektórych programach γ) reguluje dopuszczalną skośność. Domyślne δ = 0 to tzw. quartimin; wartości ujemne zbliżają rozwiązanie do ortogonalnego. W R:
fa(..., rotate = "oblimin"). - Promax – Hendrickson i White (1964) opisali metodę dwustopniową: najpierw rotacja ortogonalna (zwykle varimax), potem podniesienie ładunków do potęgi κ (zwykle 3 lub 4) i dopasowanie rozwiązania skośnego do tak „wyostrzonego” wzoru. Jest szybka i zwykle daje wyniki zbliżone do oblimin.
- Inne kryteria – geomin, oblimax czy rotacje docelowe (target). Sass i Schmitt (2010) pokazali, że przy złożonym wzorze ładunków wybór kryterium może wyraźnie zmienić zarówno ładunki, jak i korelacje czynników. Warto wtedy porównać dwa kryteria.
Trzy macierze zamiast jednej
Po rotacji ortogonalnej jedna macierz ładunków zawiera wszystko: ładunek jest zarazem wagą regresyjną i korelacją pozycji z czynnikiem. Po rotacji ukośnej te dwie rzeczy się rozdzielają.
| Macierz | Co zawiera | Do czego służy |
|---|---|---|
| Wzoru (pattern) P | Unikalny wkład czynnika w pozycję przy kontroli pozostałych czynników (jak współczynniki β) | Interpretacja i nazwanie czynników; podstawowa tabela w raporcie |
| Struktury (structure) S = PΦ | Korelacje pozycji z czynnikami (łącznie z wpływem przez skorelowany czynnik) | Uzupełnienie interpretacji, ocena, czy pozycja „widzi” oba czynniki |
| Korelacji czynników Φ | Korelacje między czynnikami | Decyzja o rotacji, czynnik wyższego rzędu, trafność różnicowa |
W macierzy wzoru ładunki mogą wyjść nieco poza zakres od −1 do 1, co nie musi oznaczać błędu. Suma kwadratów ładunków wzoru w wierszu nie równa się już wspólności – trzeba uwzględnić korelacje czynników: h² = wiersz macierzy PΦP′.
Przykład: depresja i lęk
Trzysta pięćdziesiąt osób oceniło 10 objawów z ostatnich dwóch tygodni: pięć depresyjnych (dep1–dep5) i pięć lękowych (lek1–lek5); odpowiedzi 0–3, dane symulowane z modelu, w którym czynniki korelują na poziomie .55. Dwa czynniki wyodrębniono metodą osi głównych i porównano trzy rotacje.
| Pozycja | Varimax: depresja | Varimax: lęk | Oblimin: depresja | Oblimin: lęk | Promax: depresja | Promax: lęk |
|---|---|---|---|---|---|---|
| dep1 | .64 | .21 | .64 | .07 | .64 | .06 |
| dep2 | .71 | .16 | .72 | .00 | .73 | −.01 |
| dep3 | .58 | .06 | .61 | −.08 | .62 | −.08 |
| dep4 | .52 | .15 | .52 | .03 | .53 | .03 |
| dep5 | .52 | .13 | .53 | .01 | .54 | .00 |
| lek1 | .22 | .56 | .08 | .57 | .10 | .56 |
| lek2 | .19 | .66 | .01 | .68 | .03 | .67 |
| lek3 | .13 | .60 | −.04 | .63 | −.02 | .62 |
| lek4 | .22 | .50 | .10 | .50 | .11 | .49 |
| lek5 | −.01 | .42 | −.13 | .46 | −.12 | .46 |
Po varimax średni bezwzględny ładunek krzyżowy wynosi .148, a cztery pozycje mają ładunki krzyżowe .19–.22. Po oblimin i promax średni ładunek krzyżowy spada do .055 i .056. Korelacja czynników wynosi .47 (oblimin) i .45 (promax). Varimax nie usunął związku depresji z lękiem, tylko „rozsmarował” go po ładunkach krzyżowych. Rotacja ukośna pokazuje ten związek wprost – jako jedną liczbę w macierzy Φ.
Macierz struktury pokazuje drugą stronę medalu. Pozycja dep1 ma w macierzy wzoru ładunki .64 i .07, ale koreluje z czynnikiem lęku na poziomie .37 (struktura: .67 i .37). Ta korelacja wynika ze związku czynników, a nie z tego, że dep1 mierzy lęk. Wspólności są identyczne po każdej rotacji (np. .456 dla dep1), bo rotacja nie zmienia dopasowania modelu.
Kiedy rotacja ukośna, a kiedy ortogonalna?
Praktyczna reguła: wykonaj rotację ukośną i spójrz na Φ. Jeśli korelacje czynników są bliskie zera (poniżej około .20), rozwiązania ortogonalne i ukośne będą prawie takie same, a varimax da prostszą tabelę. Jeśli sięgają .30 i więcej, zostań przy rotacji ukośnej i zaraportuj Φ. Bardzo wysokie korelacje (powyżej .80) to sygnał, że dwa czynniki mogą mierzyć ten sam konstrukt – rozważ rozwiązanie z mniejszą liczbą czynników. Schmitt (2011) zwraca uwagę, że wybór rotacji należy do decyzji, w których badacze wciąż często sięgają po przestarzałe ustawienia.
Wyraźne korelacje kilku czynników pierwszego rzędu bywają też punktem wyjścia do modelu z czynnikiem wyższego rzędu, który wyjaśnia ich wspólną część. Taki model testuje się już konfirmacyjnie – zob. hierarchiczna zmienna latentna. W przykładzie z depresją i lękiem dwa czynniki to za mało, by taki model identyfikować bez dodatkowych ograniczeń, ale przy trzech–czterech skorelowanych podskalach jest to naturalny kolejny krok.
Jak opisać rotację ukośną w pracy (APA)
Napisz, której rotacji użyłeś (z parametrem, jeśli nie był domyślny), zaraportuj macierz wzoru jako główną tabelę i podaj korelacje czynników. Wzór tabeli z wierszem korelacji czynników znajdziesz w haśle tabela analizy czynnikowej w APA.
Ten sam problem – skorelowane czynniki – wraca w CFA, gdzie korelacje czynników są zwykle swobodnie szacowane. Więcej w poradniku Analiza czynnikowa EFA i CFA.
Przykład w R
Kod generuje dane, wyodrębnia dwa czynniki metodą osi głównych i porównuje rotacje varimax, oblimin i promax: ładunki, średni ładunek krzyżowy, korelacje czynników, macierze wzoru i struktury oraz wspólności. Liczby w tabeli, tekście i na rysunku pochodzą z tego kodu.
Varimax, oblimin i promax na tych samych danych
R
# R174 – Rotacja nieortogonalna (ukośna): oblimin i promax a varimax
# Dane symulowane: 10 pozycji – 5 objawów depresyjnych (dep), 5 objawów lękowych (lek);
# korelacja czynników w populacji .55; N = 350, odpowiedzi 0–3 (jak w skalach objawowych)
suppressPackageStartupMessages({library(MASS); library(psych); library(GPArotation)})
set.seed(174)
L <- matrix(0, 10, 2)
L[1:5, 1] <- c(.75, .70, .65, .60, .55)
L[6:10, 2] <- c(.75, .70, .65, .60, .50)
Phi <- matrix(c(1, .55, .55, 1), 2)
Sigma <- L %*% Phi %*% t(L); diag(Sigma) <- 1
z <- mvrnorm(350, rep(0, 10), Sigma)
dane <- as.data.frame(apply(z, 2, function(x) as.integer(cut(x, c(-Inf, -0.3, 0.6, 1.4, Inf))) - 1L))
names(dane) <- c(paste0("dep", 1:5), paste0("lek", 1:5))
f_var <- fa(dane, nfactors = 2, fm = "pa", rotate = "varimax")
f_obl <- fa(dane, nfactors = 2, fm = "pa", rotate = "oblimin")
f_pro <- fa(dane, nfactors = 2, fm = "pa", rotate = "promax")
# Ustaw kolumny tak, by czynnik 1 = depresja, czynnik 2 = lęk
uloz <- function(M) { M <- unclass(M); if (mean(abs(M[1:5, 1])) < mean(abs(M[1:5, 2]))) M <- M[, 2:1]; colnames(M) <- c("dep", "lek"); M }
V <- uloz(f_var$loadings); O <- uloz(f_obl$loadings); P <- uloz(f_pro$loadings)
tab <- data.frame(var_dep = V[, 1], var_lek = V[, 2], obl_dep = O[, 1], obl_lek = O[, 2], pro_dep = P[, 1], pro_lek = P[, 2])
round(tab, 2)
# Średni bezwzględny ładunek krzyżowy (pozycja na „cudzym” czynniku)
krzyz <- function(M) mean(c(abs(M[1:5, 2]), abs(M[6:10, 1])))
round(c(varimax = krzyz(V), oblimin = krzyz(O), promax = krzyz(P)), 3)
# Korelacje czynników
round(c(oblimin = f_obl$Phi[1, 2], promax = f_pro$Phi[1, 2]), 2)
# Macierz wzoru (pattern) a macierz struktury dla oblimin: S = P × Phi
S <- O %*% f_obl$Phi; colnames(S) <- c("dep", "lek")
round(cbind(wzor = O, struktura = S), 2)
round(f_obl$Structure[1:2, ], 2) # to samo z pakietu (pierwsze dwie pozycje)
# Wspólności są takie same po każdej rotacji
round(cbind(varimax = f_var$communality, oblimin = f_obl$communality)[c(1, 6), ], 3)
# Suma kwadratów ładunków nie sumuje się do wariancji wspólnej przy rotacji ukośnej
round(c(suma_SS_wzoru = sum(O^2), suma_wspolnosci = sum(f_obl$communality)), 3)Wynik w R
var_dep var_lek obl_dep obl_lek pro_dep pro_lek
dep1 0.64 0.21 0.64 0.07 0.64 0.06
dep2 0.71 0.16 0.72 0.00 0.73 -0.01
dep3 0.58 0.06 0.61 -0.08 0.62 -0.08
dep4 0.52 0.15 0.52 0.03 0.53 0.03
dep5 0.52 0.13 0.53 0.01 0.54 0.00
lek1 0.22 0.56 0.08 0.57 0.10 0.56
lek2 0.19 0.66 0.01 0.68 0.03 0.67
lek3 0.13 0.60 -0.04 0.63 -0.02 0.62
lek4 0.22 0.50 0.10 0.50 0.11 0.49
lek5 -0.01 0.42 -0.13 0.46 -0.12 0.46
varimax oblimin promax
0.148 0.055 0.056
oblimin promax
0.47 0.45
dep lek dep lek
dep1 0.64 0.07 0.67 0.37
dep2 0.72 0.00 0.72 0.34
dep3 0.61 -0.08 0.58 0.21
dep4 0.52 0.03 0.54 0.28
dep5 0.53 0.01 0.54 0.26
lek1 0.08 0.57 0.34 0.60
lek2 0.01 0.68 0.33 0.69
lek3 -0.04 0.63 0.26 0.61
lek4 0.10 0.50 0.33 0.54
lek5 -0.13 0.46 0.09 0.40
PA2 PA1
dep1 0.67 0.37
dep2 0.72 0.34
varimax oblimin
dep1 0.456 0.456
lek1 0.369 0.369
suma_SS_wzoru suma_wspolnosci
3.552 3.582Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3; ekstrakcję i rotacje wykonano pakietami psych i GPArotation, dane wygenerowano pakietem MASS, rysunek przygotowano w ggplot2.
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research (R package version 2.6.5) [Computer software]. Northwestern University. https://CRAN.R-project.org/package=psych
- GPArotation (wersja 2025.3-1): Bernaards, C. A., & Jennrich, R. I. (2005). Gradient projection algorithms and software for arbitrary rotation criteria in factor analysis. Educational and Psychological Measurement, 65(5), 676–696. https://doi.org/10.1177/0013164404272507
- MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze błędy
- Raportowanie tylko macierzy struktury – ładunki struktury są zawyżone przez korelację czynników; do interpretacji służy macierz wzoru.
- Pominięcie macierzy Φ – bez korelacji czynników czytelnik nie wie, czy rotacja ukośna w ogóle była potrzebna.
- Sumowanie wariancji czynników po rotacji ukośnej – sumy kwadratów ładunków wzoru nie sumują się do wariancji wspólnej (tu 3.552 wobec 3.582), więc nie podawaj „łącznego procentu wariancji” po rotacji.
- Varimax mimo korelacji .40–.50 – ładunki krzyżowe rosną i mogą fałszywie sugerować pozycje „złożone”.
- Usuwanie pozycji z powodu ładunku w macierzy struktury – ładunek krzyżowy w strukturze często wynika wyłącznie z korelacji czynników.
- Interpretacja Φ bliskiej 1 jako dwóch czynników – przy korelacji powyżej .80 dwa czynniki zwykle mierzą jeden konstrukt.
Najczęstsze pytania
Kiedy stosować rotację ukośną zamiast varimax?
Gdy czynniki mogą być skorelowane, czyli w większości analiz skal psychologicznych. Wykonaj rotację ukośną i sprawdź korelacje czynników: przy wartościach od około .30 wzwyż zostań przy niej, a przy wartościach bliskich zera możesz przejść na varimax, bo oba rozwiązania będą prawie takie same.
Którą macierz interpretować po rotacji oblimin: wzoru czy struktury?
Do nazywania czynników i oceny pozycji używaj macierzy wzoru (pattern), która pokazuje unikalny wkład czynnika w pozycję. Macierz struktury zawiera korelacje pozycji z czynnikami i jest zawyżona przez korelację czynników. Możesz ją podać jako uzupełnienie.
Czym różni się oblimin od promax?
Oblimin optymalizuje kryterium prostoty bezpośrednio na ładunkach wzoru, a parametr delta reguluje dopuszczalną skośność. Promax zaczyna od rozwiązania varimax, podnosi ładunki do potęgi i dopasowuje do nich rozwiązanie skośne. W typowych danych dają bardzo podobne ładunki i korelacje czynników.
Dlaczego po rotacji ukośnej SPSS nie podaje łącznego procentu wariancji?
Bo przy skorelowanych czynnikach wariancja wspólna nie dzieli się między nie bez reszty – część jest wspólna dla kilku czynników. Sumy kwadratów ładunków po rotacji ukośnej nie sumują się więc do wariancji wyjaśnionej. Łączny procent wariancji podawaj sprzed rotacji.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Analiza czynnikowa EFA i CFA: jak dobrać metodę i uniknąć błędów
EFA i CFA w praktyce: liczba czynników, metoda ekstrakcji, rotacja, ładunki, walidacja oraz najczęstsze błędy w analizie czynnikowej.
Czytaj →PoradnikJak zbudować i zwalidować skalę psychometryczną?
Od definicji konstruktu i tworzenia pozycji po pilotaż, EFA, CFA, rzetelność, trafność teoretyczną, różnicową i niezmienniczość.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989x.4.3.272
- Hendrickson, A. E., & White, P. O. (1964). Promax: A quick method for rotation to oblique simple structure. British Journal of Statistical Psychology, 17(1), 65–70. https://doi.org/10.1111/j.2044-8317.1964.tb00244.x
- Jennrich, R. I., & Sampson, P. F. (1966). Rotation for simple loadings. Psychometrika, 31(3), 313–323. https://doi.org/10.1007/bf02289465
- Sass, D. A., & Schmitt, T. A. (2010). A comparative investigation of rotation criteria within exploratory factor analysis. Multivariate Behavioral Research, 45(1), 73–103. https://doi.org/10.1080/00273170903504810
- Schmitt, T. A. (2011). Current methodological considerations in exploratory and confirmatory factor analysis. Journal of Psychoeducational Assessment, 29(4), 304–321. https://doi.org/10.1177/0734282911406653
- Watkins, M. W. (2018). Exploratory factor analysis: A guide to best practice. Journal of Black Psychology, 44(3), 219–246. https://doi.org/10.1177/0095798418771807 ● Otwarty dostęp
Cytowania BibTeX
@article{fabrigar1999evaluating, author={Fabrigar, Leandre R. and Wegener, Duane T. and MacCallum, Robert C. and Strahan, Erin J.}, title={{Evaluating the use of exploratory factor analysis in psychological research}}, journal={Psychological Methods}, year={1999}, volume={4}, number={3}, pages={272--299}, doi={10.1037/1082-989x.4.3.272}}@article{hendrickson1964promax, author={Hendrickson, Alan E. and White, Paul Owen}, title={{Promax: A quick method for rotation to oblique simple structure}}, journal={British Journal of Statistical Psychology}, year={1964}, volume={17}, number={1}, pages={65--70}, doi={10.1111/j.2044-8317.1964.tb00244.x}}@article{jennrich1966rotation, author={Jennrich, Robert I. and Sampson, P. F.}, title={{Rotation for simple loadings}}, journal={Psychometrika}, year={1966}, volume={31}, number={3}, pages={313--323}, doi={10.1007/bf02289465}}@article{sass2010comparative, author={Sass, Daniel A. and Schmitt, Thomas A.}, title={{A comparative investigation of rotation criteria within exploratory factor analysis}}, journal={Multivariate Behavioral Research}, year={2010}, volume={45}, number={1}, pages={73--103}, doi={10.1080/00273170903504810}}@article{schmitt2011current, author={Schmitt, Thomas A.}, title={{Current methodological considerations in exploratory and confirmatory factor analysis}}, journal={Journal of Psychoeducational Assessment}, year={2011}, volume={29}, number={4}, pages={304--321}, doi={10.1177/0734282911406653}}@article{watkins2018exploratory, author={Watkins, Marley W.}, title={{Exploratory factor analysis: A guide to best practice}}, journal={Journal of Black Psychology}, year={2018}, volume={44}, number={3}, pages={219--246}, doi={10.1177/0095798418771807}}